天津理工大學(xué)機械工程學(xué)院科研團隊最新研究成果被國際頂級學(xué)術(shù)期刊IEEE TNNLS錄用
日前，機械工程學(xué)院科研團隊在IEEE Transactions on Neural Networks and Learning Systems（TNNLS）期刊上發(fā)表題為“Cosine 2DPCA with Weighted Projection Maximization”的研究成果，創(chuàng)新提出基于向量2范數(shù)度量的投影距離和重構(gòu)誤差雙目標優(yōu)化策略。TNNLS是在美國電氣和電子工程師協(xié)會（IEEE）人工智能及機器學(xué)習(xí)領(lǐng)域國際頂級期刊，旨在出版神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)系統(tǒng)方面的理論、設(shè)計和應(yīng)用的技術(shù)文章，期刊影響因子為10.451。該成果以天津理工大學(xué)作為第一完成單位和第一通訊單位發(fā)表，第一作者為王肖鋒副教授，第二作者為碩士研究生石樂巖，第一通訊作者為劉軍教授。
從海量數(shù)據(jù)中提取有效表征事務(wù)和現(xiàn)象本質(zhì)屬性的低維特征，通常采用歐式距離的平方來度量這些數(shù)據(jù)所呈現(xiàn)出來的不確定性和變異性。但在大數(shù)據(jù)背景下，數(shù)據(jù)量呈幾何倍數(shù)增加，給數(shù)據(jù)傳輸、存儲、搜索、分析及可視化等造成極大困難。如何尋求在不同范數(shù)下樣本投影距離最大的目標優(yōu)化。同時，其原始數(shù)據(jù)與重構(gòu)數(shù)據(jù)之間的重構(gòu)誤差也能得到優(yōu)化,并且能保留原歐式距離中的旋轉(zhuǎn)屬性。該研究以提高表征這些數(shù)據(jù)中不確定性和變異性的魯棒性能來針對性解決這一難題。
魯棒低維表征是基于統(tǒng)計學(xué)思想，利用不同范數(shù)的數(shù)據(jù)度量方式進行廣義數(shù)據(jù)表征和數(shù)據(jù)壓縮，在表面故障診斷、模式識別、目標識別等領(lǐng)域具有比較廣泛應(yīng)用，尤其在當(dāng)前疫情防控常態(tài)化條件下應(yīng)用于人臉識別更具針對性。作者提出余弦目標優(yōu)化模型，采用具有可調(diào)冪的向量2范數(shù)作為距離度量，以最大化權(quán)重投影，更有助于抑制隱藏在數(shù)據(jù)之間的不確定性和變異性。作者進一步開發(fā)求解Cosine 2DPCA的貪婪迭代算法，并從理論上證明解的收斂性和相關(guān)性。這一工作表明，提出的Cosine 2DPCA方法在重構(gòu)性能、相關(guān)性能、復(fù)雜度性能及分類性能等方面均有顯著改進，其性能優(yōu)于現(xiàn)有大多數(shù)數(shù)據(jù)表征方法，為解決復(fù)雜環(huán)境下的魯棒低維表征提供了新途徑。
此前，該成果得到國家重點研發(fā)計劃和天津市科技計劃智能制造重大專項支持，成功應(yīng)用于國家重點研發(fā)計劃中的焊縫表面缺陷識別研究。2022年3月,其相關(guān)應(yīng)用成果以“Online detection of weld surface defects based on improved incremental learning approach”為題發(fā)表在EXPERT SYSTEMS WITH APPLICATIONS（ESWA）期刊上。
全文鏈接：https://ieeexplore.ieee.org/document/9751148
學(xué)校排行
專業(yè)排行
